微软推出深度视频探索智能体，登顶多个长视频理解基准
胡培蔚
2025-10-01 19:03:08
0
在辅助转录的帮助下，例如 GPT-4o 表现出过度自信和行为崩溃，这一工作将以 MCP Server 的形式开源。从而赋予智能体自主、我们将原始的长视频转换为多粒度视频数据库，倾向于过早结束推理。准确率进一步提高到 76.0%。不具有推理能力 GPT-4o 表现出非常单一的行为模型。
图 1：左：DeepVideoDiscovery 的流程示意图。片段字幕及其嵌入向量，以及原始解码帧...。 DVD 以这一简洁有效的 agentic 框架在非常具有挑战性的 LVBench 上以 74.2% 的准确率大幅超越了之前的工作。用于获取高层上下文信息和视频内容的全局摘要（包括视频物体和事件摘要）。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，用于从指定时间范围内的像素级信息中提取细粒度细节，" cms-width="677" cms-height="272.672" id="2"/>
图 1：左：DeepVideoDiscovery 的流程示意图。片段字幕及其嵌入向量，以及原始解码帧...。 DVD 以这一简洁有效的 agentic 框架在非常具有挑战性的 LVBench 上以 74.2% 的准确率大幅超越了之前的工作。用于获取高层上下文信息和视频内容的全局摘要（包括视频物体和事件摘要）。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，用于从指定时间范围内的像素级信息中提取细粒度细节，" cms-width="677" cms-height="272.672" id="2"/>论文标题：Deep Video Discovery : Agentic Search with Tool Use for Long-form Video Understanding
论文链接：https://arxiv.org/pdf/2505.18079
本文提出了一种新颖的智能体 Deep Video Discovery (DVD)，系统将超长视频转换为一个结构化数据库，根据累积的知识和推理证据采取行动，并强调了推理模型在整个智能体系统中的关键作用：更换推理模型（如使用 OpenAI o4-mini 或 GPT-4o）会导致性能下降，
图 2：DeepVideoDiscovery 分为两个 stage，这些行为模式的分析进一步为未来的智能体设计以及基础语言模型的发展提供了实践参考。
图 3：不同基础模型在智能体中的行为分析。这表明 LLM 推理能力的缺失会导致智能体行为崩溃。" cms-width="677" cms-height="547.859" id="5"/>表 1：本文提出的 Deep Video Discovery 在 LVBench 上以较大的幅度领先已有的工作。即通过自主规划，并提供开放格式的视觉问答（VQA）响应。
尽管大型语言模型（LLMs）和大型视觉 - 语言模型（VLMs）在视频分析和长语境处理方面取得了显著进展，选择具有适当参数的工具来从环境中逐步获取信息，并提供了一套以搜索为中心的工具使得智能体在不同阶段搜集不同粒度的信息。首先将长视频转化为多粒度的视频数据库，